Les événements de fortes pluies extrêmes peuvent provoquer de nombreux glissements de terrain et effondrements catastrophiques, entraînant un grand nombre de victimes et de pertes. L'extraction rapide des caractéristiques et des étendues des glissements de terrain peut fournir un support de données efficace pour la gestion des urgences et la prévention des risques de catastrophes. Cette étude utilise des images optiques post-catastrophe, basée sur un modèle de deep learning amélioré Inception‑v3 pour la reconnaissance intelligente. Grâce à l'extraction de caractéristiques multi-niveaux comme la texture et la morphologie, les résultats de l'interprétation sont corrigés en fonction des seuils topographiques, résolvant les problèmes d'incertitude d'interprétation dus aux nuages, au brouillard et aux eaux troubles. Les résultats montrent que la valeur F est améliorée de 0.76 à 0.896 lorsqu'un seuil de pente inférieur à 6° est utilisé pour la correction. Dans les conditions des ensembles de tests, le modèle corrigé montre une précision de 0.898, un taux de rappel de 0.883 et une valeur F de 0.890. La segmentation des images sur des grilles de 25 m × 25 m (correspondant à 125 × 125 pixels) prend en moyenne 8 minutes sous conditions expérimentales, soit 45 fois plus rapide que l'interprétation visuelle traditionnelle (6 personnes × 15 heures/image), répondant aux exigences de réactivité en urgence. Cela peut fournir une base scientifique rapide, précise et efficace pour la prévention, l'atténuation et les secours en cas de catastrophe.

catastrophes géologiques; deep learning; mécanisme de correction de seuil; classification multiple; reconnaissance d'image